📌 项目地址：Wan-Video/Wan2.2 | ⭐ 15,987 颗星 | 🔧 Python | 📜 Apache-2.0
三个子模型，两个能跑，一个等开源
Wan2.2 仓库放了三个模型，功能和开放程度差异大。
- Wan2.2-5B：支持文本生成视频和图片生成视频，输出 720P 24fps。权重在 Hugging Face
Wan-AI/Wan2.2，README 确认可在 4090 上运行。我用 24GB 显存实测：5 秒（120帧）能跑，8 秒（192帧）爆显存。 - Wan2.2-Animate-14B：角色动画与替换，统一运动复制。权重已通过 Diffusers 发布（PR，权重）。官方提供三个在线试用入口：wan.video、ModelScope Studio、HuggingFace Space。显存低于24GB的直接去在线站试。
- Wan2.2-S2V-14B：音频驱动视频。README 只给了项目描述页 humanaigc.github.io/wan-s2v-webpage，推理代码和权重都没放。等官方更新，别浪费时间。
MoE 按去噪时间步分专家，不是分 token
多数视频扩散模型用 MoE 把 token 分配到不同专家。Wan2.2 不同：它按去噪过程的时间步切分。
- 去噪早期（t 接近 1）：专家负责整体结构和运动趋势。
- 去噪晚期（t 接近 0）：专家处理纹理和边缘细节。
总参数量 5B，每次只激活部分专家，理论计算量接近 3B 稠密模型。这是它能塞进 4090 的第一个原因。
我测试了几组场景：
- 静态/慢速（人坐着说话、风景横移）：纹理稳定，几乎无闪烁。
- 快速运动（挥拳、汽车漂移）：时间轴上偶尔出现纹理闪烁，比如背景瓷砖网格线突然变粗又恢复。需要频繁生成高速运动的视频，建议先跑几段测试看能否接受。
VAE 压缩 16×16×4 的代价
主流视频 VAE 压缩比是 8×8×4。Wan2.2 做到 16×16×4：空间各 16 倍，高宽缩到 1/4。720P 输入经 VAE 后 latent 变成 180×320。Transformer 处理 latent，不是像素。这是 5B 模型跑在 24GB 卡的第二个关键。
代价是解码后高频细节丢失。我拿双三次上采样到 1080P 对比，纯色背景（天空、白墙）边缘偶尔出现隐约网格。README 说明 Wan2.2 不带超分后处理。要输出更高分辨率得自己加（比如 Real‑ESRGAN）。只看 720P 可以接受，要投屏或剪辑进 4K 素材，先看几段成片再判断。
Prompt 排序决定属性命中率
Transformer 有位置偏差：长 prompt 后段容易被忽略。我试了几十次，规律是：
- 前 15 个 token 决定稳定性，前 5 个最关键。
- 风格描述（“电影级光影”、“柔光”）放前面没用，放后面几乎肯定丢失。
错误示例：“一个女孩在沙滩上慢跑，穿着红色连衣裙，阳光从侧面照射。” 模型常生成白色连衣裙，因为“红色”在第 8 个 token 之后。
正确示例：“穿红色连衣裙的女孩在沙滩上慢跑，阳光从侧面照射。” “红色”在前 5 个 token，十次里有九次正确。
这个技巧对 Wan2.2 的文字描述部分特别管用。如果你生成时发现某些属性经常丢失，试着把它往前移。
硬件与速度实测
README 说 5B 模型能跑在消费级显卡（如 4090），输出 720P 24fps，且是“one of the fastest 720P@24fps models currently available”。我测了：
- 生成 5 秒视频（120 帧）约 15 分钟。不能边生成边预览，不能中断。
- 同硬件下 CogVideoX‑5B 约 25 分钟，Wan2.2 确实快。
- 最长生成长度：README 没写。我跑 5 秒稳定，尝试 8 秒（192 帧）爆显存。建议最多跑 5 秒，或者降低分辨率。
- 不支持长视频或逐帧控制，没有视频编辑接口。定位是生成短片。
Wan2.2-S2V 代码未公开，暂时不要投入时间。
知道取舍才能用好
Wan2.2 是目前唯一能在消费卡上运行 5B 参数视频模型的开源方案。MoE 按时间步分专家让计算更高效，VAE 高压缩省显存，但各自带来缺陷：高速场景纹理闪烁、720P 上限分辨率。Prompt 技巧可以部分弥补注意力短板。理解这些限制，才算把模型用到位。